隨著影像數據不斷增加，人工智能和深度學習（DeepLearning，機器學習分支）技術已成為安全監控的關鍵，能夠有效降低人為錯誤和誤報，并大幅減少影像搜尋時間，對眾多產業造成極大的影響。

人工智能發展方興未艾，隨著影像數據不斷增加，也已成為安全監控的關鍵。本文將重點分析，深度學習科技如何在影像監控領域脫穎而出。

人工智能（ArtificialInterligence，AI）為一項使機器能夠從過去經驗中學習的技術，又稱為「機器學習（MachineLearning）」或「認知運算（CognitiveCompuTIng）」，透過模仿人類大腦所組成的多層類神經網路辨別物件及其模式，并在無人類干預的情況下自行做出決策。隨著影像數據不斷增加，人工智能和深度學習（DeepLearning，機器學習分支）技術已成為安全監控的關鍵，能夠有效降低人為錯誤和誤報，并大幅減少影像搜尋時間，對眾多產業造成極大的影響。

以深度學習為基礎的演算法大幅勝過傳統電腦視覺演算法，其主要塬因為深度學習系統能夠持續24小時、每天不斷訓練及提升其數據量。許多應用結果皆顯示，深度學習系統在某些領域上可達到近99.9%的準確度，而電腦演算法要超過95%的準確度是非常困難的。

另外，深度學習系統展現卓越的能力，能夠偵測未知或非預期中的事件（異常事件），此特性能顯著地減少在安全影像分析系統中所產生的錯誤偵測。事實上，無法降低錯誤偵測率為影像監控產業的主要問題，因此目前各大產業皆對于智慧影像分析解決方案有強烈的需求。雖然深度學習已應用于眾多產業且得到突破性的成果，但并非所有應用都合適，然而在影像監控領域的應用則明顯脫穎而出。

人工智能深度學習技術應用于影像監控領域，可彰顯下列4大優勢：

1、降低誤報率：人工智能偵測能夠輕易辨別不同種類的人和物件，例如在此區域中設定偵測「人」，則當動物及車輛經過，或者樹木產生的陰影，皆不會造成誤報，可減少90%的誤報率。換句話說，在沒有人工智慧的情況下，動物、樹、陰影、天氣狀況都將觸動感應裝置并誤發出警報。

2、容易設置及維護：沒有人工智能的傳統影像監控必須考慮地形、攝影機視角、感應器位置等，一旦要在設定上作任何變動都需要手動重新計算這些因素，并可能會影響其他塬有的設定。相較之下，使用人工智慧偵測功能，可讓系統管理者透過單一控制介面調整系統設定及攝影機，亦能隨時在幾分鐘內調整特定區域內欲偵測的目標物件。

3、容易與第三方技術整合：人工智慧的本質就是學習，并且能夠自行調整成適合在各種條件下的運行狀態，因此人工智慧可以輕易且即時地與第叁方技術進行多層組合。例如，一旦在特定區域中偵測到目標物件，便會發出警報、自動開鎖管制進出、或連動其他附加裝置等，而這些設定皆只須從滑鼠按下按鈕便能完成。人工智慧影像監控系統亦能夠輕易地與現有的錄影裝置及儲存系統（NVR）進行整合。

4、性能穩定持久：沒有使用人工智慧的影像監控系統需要結合多項組件，以及復雜的設置才能提高偵測準確度，然而越多組件代表發生故障的機率越高，包括暴露在外的感應器若受到損害，便會造成錯誤或延誤偵測。另一方面，以人力進行監控管制，也無法確保能得到穩定且正確的資訊。研究顯示，一個人的專注力最多只能維持20分鐘，而當人們同時面對多個物件，如監視多個攝影機監控螢幕，注意力更會快速下降。人工智慧技術可完全消除這些疑慮，此外使用人工智慧相對減少所需組件，有效降低系統故障的風險。

基于人工智能深度學習技術的監控影像分析解決方案，亦可突顯以下4大亮點：

1、區別人類、動物及雕像：人工智慧系統持續分析監控攝影機所捕捉的影像串流，能夠區分人類的臉孔與非人類物件（如動物、雕像）的臉，并如人類的大腦，人工智慧會將這些訊息儲存在記憶中。

2、人臉快搜：利用人工智能能夠即時偵測圖片中的人臉及特徵，使用者不需在系統中建立人臉資料庫，只需上傳目標物件的人臉照片到系統，人工智慧便能從記憶中搜尋相似的人臉，分析此目標人物在何時、何地出現過，并能夠利用時間及攝影機位置與地圖連接，獲得此人物的行徑并推測可能進行的路線。此外，使用者可以決定想要搜尋的日期與時間區間，亦可指定特定攝影機做搜尋，并能夠調整相似度，決定所搜尋的人臉與上傳的照片匹配程度高低。

3、人臉辨識：深度學習技術應用在人臉辨識上，能有效改善其準確度。

4、入侵偵測：人工智能可使入侵偵測功能達到最高準確度及最低誤報率。使用人工智慧，系統管理員可根據所需，配置具有不同條件及目標偵測物件的限制區域，包括特定顏色偵測或特徵偵測。

由于人工智能深度學習技術具備上述優勢及亮點，全球安全監控業者也已紛紛投入相關設備及應用開發。

(本文轉載自電子發燒友網，如有侵權，請聯系刪除)